---

Khi ngành Giải phẫu bệnh bước vào kỷ nguyên AI.

Trong vài năm trở lại đây, Trí tuệ nhân tạo (AI) đang tạo ra một làn sóng chuyển đổi mạnh mẽ trong chuyên ngành Giải phẫu bệnh (Pathology).
Từ Digital Pathology, AI-assisted Diagnosis cho đến Computational Pathology, các hệ thống phân tích hình ảnh hiện đại đang dần thay đổi cách bác sĩ tiếp cận chẩn đoán mô bệnh học.

Những mô hình AI ngày nay có khả năng:

• Nhận diện pattern tế bào bất thường
• Hỗ trợ phát hiện tổn thương vi thể
• Khoanh vùng khu vực nghi ngờ trên tiêu bản
• Phân tích hàng nghìn tế bào chỉ trong vài giây

 Trong tương lai gần, AI được kỳ vọng sẽ giúp:

• Tăng tốc độ chẩn đoán
• Giảm áp lực cho bác sĩ giải phẫu bệnh
• Nâng cao tính đồng nhất trong đánh giá mô học
• Hỗ trợ cá thể hóa điều trị

Nhưng giữa sự phát triển đầy ấn tượng đó, có một thực tế rất quan trọng thường bị bỏ quên:

AI không bắt đầu từ thuật toán.
AI bắt đầu từ chất lượng của mẫu bệnh phẩm

---

AI chỉ mạnh khi dữ liệu sinh học còn nguyên vẹn

Trong khoa học dữ liệu, có một nguyên lý rất đơn giản:

Garbage in, garbage out.

Nếu dữ liệu đầu vào bị sai lệch, toàn bộ hệ thống phía sau dù hiện đại đến đâu cũng chỉ đang xử lý trên một nền tảng không còn chính xác.
Điều này đặc biệt đúng trong pathology.

AI có thể:

• Đọc hình ảnh
• Nhận diện pattern
• Phân tích cấu trúc tế bào

Nhưng AI không thể:

• Phục hồi mô đã thoái hóa
• Sửa chữa fixation không đồng đều
• Tái tạo hình thái tế bào đã biến dạng
• Khôi phục cấu trúc sinh học đã bị phá hủy trong quá trình tiền phân tích

Nói cách khác:
Một thuật toán hoàn hảo vẫn có thể tạo ra một kết luận sai lệch nếu mẫu sinh thiết ban đầu đã bị ảnh hưởng.

---

Điều gì xảy ra trước khi AI bắt đầu phân tích?

Khi nhắc đến AI pathology, phần lớn sự chú ý thường tập trung vào:

• Máy quét tiêu bản số hóa
• AI image analysis
• Machine learning
• Hệ thống điện toán

Nhưng trước tất cả những công nghệ đó, luôn tồn tại một giai đoạn quan trọng hơn:

Pre-analytical phase (giai đoạn tiền phân tích)

Đây là khoảng thời gian từ lúc mẫu mô rời khỏi cơ thể bệnh nhân cho đến khi được xử lý trong phòng xét nghiệm.
Và cũng chính tại đây, phần lớn rủi ro của toàn bộ workflow bắt đầu xuất hiện.

---

Giai đoạn tiền phân tích vẫn phụ thuộc gần như hoàn toàn vào con người

Trên thực tế, rất nhiều bước quan trọng trong pathology workflow hiện nay vẫn được thực hiện thủ công:

• Lấy mẫu mô
• Thao tác với formalin
• Cố định mẫu (fixation)
• Đóng nắp lọ chứa
• Vận chuyển mẫu
• Ghi nhãn và quản lý mẫu bệnh phẩm

Chỉ một sai lệch nhỏ trong những bước này cũng có thể ảnh hưởng trực tiếp đến:

• Specimen integrity
• Morphology
• Staining quality
• Diagnostic reliability

Ví dụ:

• Thời gian fixation không đồng nhất
• Formalin bay hơi trong quá trình vận chuyển
• Mẫu không được ngâm hoàn toàn
• Nồng độ dung dịch không ổn định
• Rò rỉ hóa chất từ container truyền thống

Tất cả những yếu tố đó đều có thể tạo ra “biến dạng sinh học” ngay trước khi AI bắt đầu hoạt động.

---

AI không thể sửa chữa những “biến dạng sinh học”

Trong lĩnh vực hình ảnh kỹ thuật số, AI có thể: Tăng độ nét Giảm nhiễu Cải thiện chất lượng hình ảnh Nhưng sinh học không hoạt động theo cách đó. Một tế bào đã bị co rút do fixation không phù hợp sẽ không thể trở lại trạng thái nguyên bản.  Một cấu trúc mô đã bị thoái hóa sẽ không thể được “khôi phục” bằng thuật toán.
AI không thể phân biệt: Đâu là tổn thương thật Đâu là biến dạng do workflow tiền phân tích gây ra	Source: SCIRP, Histological artifacts due to inadequate fixation, 2024

Nó chỉ phân tích dựa trên những gì xuất hiện trên tiêu bản.

Điều đó đồng nghĩa:
Nếu dữ liệu sinh học đầu vào đã sai lệch, AI chỉ đang phân tích một sai lệch được số hóa.

---

Pre-analytical variability đang trở thành “điểm nghẽn” mới của AI pathology

Khi AI ngày càng mạnh hơn, một nghịch lý bắt đầu xuất hiện:

Công nghệ càng hiện đại, workflow tiền phân tích càng phải ổn định hơn.

Lý do là vì AI rất nhạy với variability.

Những khác biệt nhỏ về:

• Thời gian fixation
• Tỷ lệ formalin
• Điều kiện vận chuyển
• Container handling
• Mức độ bảo quản mẫu

Đều có thể ảnh hưởng đến:

• Chất lượng hình ảnh số hóa
• Độ đồng nhất dữ liệu
• Khả năng phân tích của AI
• Tính chính xác của chẩn đoán

Vì vậy, xu hướng mới của pathology hiện đại không còn chỉ là: “ứng dụng AI”

Mà là:
xây dựng workflow “AI-ready”

---

Một workflow “AI-ready” cần điều gì?

Để AI thực sự phát huy tối đa tiềm năng trong pathology, toàn bộ quy trình trước AI cần đạt được ba yếu tố cốt lõi:

Stability — Sự ổn định : Mẫu mô cần được bảo quản trong điều kiện ổn định ngay từ thời điểm lấy mẫu. Consistency — Sự nhất quán: Các mẫu bệnh phẩm cần được xử lý theo cùng một workflow đồng nhất nhằm giảm variability giữa các thao tác thủ công. Standardization — Sự chuẩn hóa: Workflow cần giảm tối đa sự phụ thuộc vào thao tác cảm tính của con người.

Đây không còn là vấn đề “tiện lợi”.
Đây là nền tảng dữ liệu cho toàn bộ hệ thống AI phía sau.

---

Vai trò của closed-system biopsy container trong pathology workflow hiện đại

Trong xu hướng chuẩn hóa workflow hiện nay, các hệ thống closed-system biopsy container đang ngày càng được quan tâm nhiều hơn.
Khác với các lọ chứa truyền thống cần thao tác chiết rót formalin thủ công, hệ thống khép kín cho phép:

• Hạn chế phơi nhiễm formalin
• Giảm nguy cơ rò rỉ
• Hỗ trợ fixation đồng đều hơn
• Giảm variability trong quá trình bảo quản và vận chuyển mẫu

Đây được xem là một trong những hướng tiếp cận nhằm hỗ trợ xây dựng pathology workflow ổn định hơn cho môi trường digital pathology và AI-assisted diagnosis.
Các giải pháp như SafeCell hiện đang được phát triển theo định hướng này — không chỉ tập trung vào yếu tố an toàn hóa chất, mà còn hướng đến việc hỗ trợ tính toàn vẹn của mẫu sinh thiết trong toàn bộ workflow tiền phân tích.

---

Tương lai của AI pathology bắt đầu từ thế giới thực

Ngành y tế đang bước vào một kỷ nguyên nơi AI sẽ đóng vai trò ngày càng lớn trong chẩn đoán và điều trị.
Nhưng trước khi nói về:

• Thuật toán
• Machine learning
• Digital diagnosis

Chúng ta cần nhìn lại một điều căn bản hơn:
AI không thể tạo ra sự chính xác từ một mẫu bệnh phẩm đã bị sai lệch ngay từ đầu.

Tương lai của AI pathology không chỉ được quyết định bởi sức mạnh của hệ thống điện toán.
Nó bắt đầu từ khả năng bảo toàn “sự thật sinh học” của mẫu mô ngay tại thời điểm đầu tiên mẫu được thu thập, bảo quản và vận chuyển.
Bởi vì cuối cùng, giá trị của một thuật toán vẫn sẽ luôn bị giới hạn bởi chất lượng của thế giới thực mà nó đang cố gắng phân tích.

---

Đội ngũ thực hiện

Bài viết được phát triển bởi đội ngũ Scientific Communication của Diagnosis F với định hướng tập trung vào pathology workflow, specimen handling và chuẩn hóa giai đoạn tiền phân tích.

References

1. World Health Organization (WHO). Formaldehyde classification and health risks.
2. International Agency for Research on Cancer (IARC). Formaldehyde Monograph.
3. College of American Pathologists (CAP). Guidelines for tissue fixation and specimen handling.
4. Recent trends in Digital Pathology and AI-assisted diagnostics.
5. Industry publications on pre-analytical variability in pathology workflow.